眼科疾病检测数据集

数据集获取

git clone https://github.com/Qunmasj-Vision-Studio/Eye-Disease-Detection184.git

curl -L -o repo.zip https://github.com/Qunmasj-Vision-Studio/Eye-Disease-Detection184/archive/refs/heads/main.zip
unzip repo.zip

源站 README 摘录（使用方式）

1.背景意义

研究背景与意义
随着全球人口老龄化的加剧，眼科疾病的发病率逐年上升，成为影响人们生活质量的重要健康问题。根据世界卫生组织的统计，眼科疾病不仅导致了大量的视觉障碍，还给患者及其家庭带来了沉重的经济负担。因此，早期检测和及时治疗眼科疾病显得尤为重要。传统的眼科疾病诊断主要依赖于医生的经验和专业知识，然而这种方法往往受到主观因素的影响，导致诊断结果的准确性和一致性存在差异。为了解决这一问题，基于计算机视觉的自动化检测系统应运而生，成为提高眼科疾病诊断效率和准确性的重要工具。
本研究旨在基于改进的YOLOv11模型，开发一套高效的眼科疾病检测系统。该系统将专注于四种主要眼科疾病的检测，包括白内障、正常眼、翼状胬肉和麦粒肿。通过利用包含792幅图像的数据集，系统将能够实现对这些疾病的快速识别和分类。YOLOv11作为一种先进的目标检测算法，具有实时性和高准确率的优势，能够有效地处理复杂的视觉信息，并在各种环境下保持稳定的性能。
此外，本研究的意义还在于推动计算机视觉技术在医疗领域的应用，尤其是在眼科疾病的早期筛查和诊断方面。通过自动化检测系统的开发，不仅可以减轻医生的工作负担，还能提高患者的就医体验。随着数据集的不断扩展和模型的持续优化，未来该系统有望实现更广泛的眼科疾病检测，助力于公共卫生的改善和眼科医疗资源的合理配置。因此，本研究不仅具有重要的学术价值，也将为眼科临床实践提供有力的技术支持。

2.视频效果

2.1 视频效果

3.图片效果

项目涉及的源码数据来源链接**

注意：本项目提供训练的数据集和训练教程,由于版本持续更新,暂不提供权重文件（best.pt）,请按照6.训练教程进行训练后实现上图演示的效果。

4.数据集信息

4.1 本项目数据集类别数＆类别名

nc: 4
names: [‘‘Catract’’, ‘‘Normal’’, ‘‘Pterygium’’, ‘‘Stye’’]

该项目为【目标检测】数据集，请在【训练教程和Web端加载模型教程（第三步）】这一步的时候按照【目标检测】部分的教程来训练

4.2 本项目数据集信息介绍

本项目数据集信息介绍

本项目旨在开发一个改进版的YOLOv11眼科疾病检测系统，为眼科疾病的早期诊断和治疗提供支持。为实现这一目标，我们构建了一个专门的数据集，聚焦于四种主要的眼科疾病。这些疾病包括白内障（Cataract）、正常眼睛（Normal）、翼状胬肉（Pterygium）和麦粒肿（Stye）。数据集的设计旨在涵盖不同年龄段、性别和种族的患者，以确保模型在多样化的临床场景中具有良好的泛化能力。

在数据集的构建过程中，我们严格筛选了高质量的眼部图像，确保每一类疾病的样本数量均衡且具有代表性。每一张图像都经过专业眼科医生的标注，确保数据的准确性和可靠性。此外，为了增强模型的鲁棒性，我们还对图像进行了多种数据增强处理，包括旋转、缩放、亮度调整等，以模拟不同的拍摄条件和患者状态。

数据集的类别数量为四个，分别代表了常见的眼科疾病和正常眼睛的状态。这种分类不仅有助于模型在检测时进行准确的判断，也为后续的临床应用提供了明确的参考依据。通过使用这一数据集，我们期望能够显著提高YOLOv11在眼科疾病检测中的性能，帮助医生更快速、准确地识别眼部疾病，从而提高患者的治疗效果和生活质量。整体而言，本项目的数据集不仅是技术开发的基础，也是推动眼科医疗智能化的重要一步。

5.全套项目环境部署视频教程（零基础手把手教学）

5.1 所需软件PyCharm和Anaconda安装教程（第一步）

5.2 安装Python虚拟环境创建和依赖库安装视频教程（第二步）

6.改进YOLOv11训练教程和Web_UI前端加载模型教程（零基础手把手教学）

6.1 改进YOLOv11训练教程和Web_UI前端加载模型教程（第三步）

按照上面的训练视频教程链接加载项目提供的数据集，运行train.py即可开始训练


 Epoch   gpu_mem       box       obj       cls    labels  img_size
 1/200     20.8G   0.01576   0.01955  0.007536        22      1280: 100%|

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。

完整仓库：github.com/Qunmasj-Vision-Studio/Eye-Disease-Detection184